Extraction de données par IA : la bonne technologie pour chaque document
Les données contenues dans vos documents constituent votre patrimoine informationnel. Les extraire à grande échelle ne consiste pas à choisir une technologie, mais à retenir la mieux adaptée à chaque type de document.
Numen met en œuvre des chaînes industrielles éprouvées dans lesquelles la reconnaissance automatique de documents et l’OCR conservent toute leur place : sur des formats stables et maîtrisés, ces technologies atteignent 95 à 98 % de confiance. Les modèles d’intelligence artificielle interviennent là où elles s’arrêtent, sur les documents nouveaux, hétérogènes ou très verbeux, ainsi que sur les contrôles de complétude et les rapprochements entre plusieurs pièces.
Chaque donnée produite est accompagnée d’une mesure de fiabilité. Les cas incertains font l’objet d’une levée de doute, opérée par vos équipes ou par celles de Numen, selon l’organisation que vous retenez.
de traitement documentaire pour des institutions publiques et des grands comptes
40 milliards
de pages extraites chaque année sur un seul dispositif
7 certifications
d’entreprise : sécurité, qualité, gestion documentaire
Quels documents et quelles données nous traitons
Il n’existe pas de liste fermée des documents traités, ni des champs extraits. Dès lors qu’une information figure dans un document et qu’elle est lisible, elle peut être extraite. Ce qui se détermine au démarrage d’un projet n’est donc pas ce qui est techniquement possible, mais quels champs sont utiles à votre processus et quel niveau de fiabilité est attendu sur chacun d’eux.
Les documents
Numen traite le document structuré comme le document qui ne l’est pas : formats stables et répétitifs, mais également pièces uniques, dossiers composites et documents dégradés. À titre d’illustration, sans que cette liste soit limitative :
- Flux financiers et achats — factures, bons de commande, bordereaux de livraison, relevés bancaires, notes de frais, situations de travaux, avoirs et litiges.
- Documents contractuels, juridiques et RH — contrats et avenants, actes, marchés et pièces de consultation, pièces d’identité, bulletins de salaire, dossiers de candidature, attestations.
- Flux entrants et dossiers métier — courriers, formulaires, réclamations, déclarations de sinistre, demandes de prise en charge, dossiers d’ouverture de compte, messages électroniques et pièces jointes.
- Documents techniques, administratifs et patrimoniaux — registres, plans, archives numérisées, tapuscrits et manuscrits, écritures anciennes. Numen a construit son savoir-faire sur des fonds de cette nature, souvent volumineux et de qualité inégale.
Les données
Là encore, ces exemples ne constituent pas un catalogue :
- Des valeurs — montants, dates, numéros et identifiants, coordonnées, taux, quantités, unités, références internes ;
- Des éléments liés à la forme du document — lignes de tableaux et de détail, cases cochées, cadres remplis, tampons, signatures, mentions manuscrites, annotations en marge ;
- Des éléments de sens — objet ou motif d’une demande, nature du document, qualification d’une clause, degré d’urgence, catégorie de classement, langue ;
- Des éléments issus d’un raisonnement sur plusieurs pièces — cohérence entre deux documents, pièce manquante dans un dossier, écart entre une commande et une facture, doublon.
Cette dernière famille de données échappe aux moteurs fondés sur des règles. Elle constitue l’un des apports les plus nets de l’intelligence artificielle, et l’une des raisons pour lesquelles Numen la mobilise.
Un projet peut démarrer sur une seule famille de documents et s’étendre ensuite : chaque famille fait l’objet d’un calibrage propre.
Trois points de départ fréquents
Qu’il s’agisse de quelques milliers de documents par an ou de plusieurs millions, un projet d’extraction s’inscrit le plus souvent dans l’un de ces trois processus. Ce sont des points d’entrée et non des offres distinctes : la méthodologie décrite plus bas demeure la même.
La comptabilité fournisseurs
Factures, bons de commande, bordereaux, avoirs et litiges. L’enjeu ne se limite pas à la lecture d’une facture : il consiste à rapprocher plusieurs documents entre eux, à repérer les doublons et les écarts, et à ne soumettre au contrôle que ce qui le justifie. Les données sont ensuite livrées à votre ERP, prêtes à être validées.
Le service courrier et les réclamations
Courriers, formulaires, messages électroniques et pièces jointes, souvent dépourvus de structure et parfois manuscrits. L’enjeu consiste à identifier l’émetteur, la référence et le motif réel de la demande, y compris lorsque celui-ci n’est pas explicitement mentionné, puis à orienter le document vers le service concerné en conservant la trace de chaque opération.
La constitution et le contrôle de dossiers
Entrée en relation, dossier de sinistre, demande de prise en charge, dossier RH, dossier d’instruction. L’enjeu se déplace alors du champ vers le dossier : les pièces attendues sont-elles présentes, sont-elles cohérentes entre elles, que manque-t-il pour instruire ? C’est sur ce terrain que l’intelligence artificielle apporte le plus par rapport à un moteur fondé sur des règles.
Le bon moteur pour chaque document
Numen se distingue des offres qui appliquent un modèle unique à l’ensemble des documents. L’intelligence artificielle y est mobilisée à bon escient, au service du résultat.
Les technologies éprouvées, là où elles sont les plus efficaces
L’OCR et la reconnaissance automatique de documents remplissent parfaitement l’usage pour lequel ils ont été conçus : des formats répétitifs, une mise en page stable, des champs localisés au même endroit. Sur ces documents, ils atteignent 95 à 98 % de confiance, pour un coût unitaire faible et prévisible. Leur remplacement par des modèles d’intelligence artificielle n’améliorerait pas le résultat et en augmenterait le prix.
Les modèles d'IA, là où les règles ne suffisent plus
Numen mobilise les modèles d’intelligence artificielle sur quatre situations que les règles ne permettent pas de traiter :
- le document nouveau ou hétérogène, dont la mise en page n’a pas été anticipée et ne se répète pas ;
- le document très verbeux, dans lequel l’information recherchée est noyée dans du texte libre ;
- le contrôle de complétude, qui consiste à vérifier qu’un dossier comporte l’ensemble des pièces attendues ;
- le rapprochement entre plusieurs pièces, entre une facture, un bon de commande et un bordereau de livraison, ou entre une demande et le contrat auquel elle se rattache.
Plusieurs modèles confrontés sur une même tâche
Pour les traitements confiés à l’intelligence artificielle, Numen fait travailler plusieurs modèles spécialisés sur une même donnée, chacun avec des consignes liées à votre contexte métier. Leurs résultats sont ensuite comparés : lorsque les modèles convergent, la donnée est confirmée ; lorsqu’ils divergent, l’écart est signalé et soumis au contrôle.
Cette confrontation permet de mesurer une fiabilité plutôt que de l’affirmer, et de limiter les erreurs d’interprétation propres aux modèles génératifs.
Le flux de traitement, de l'ingestion à l'injection
Ingestion et classification
Les documents parviennent à Numen par numérisation, par messagerie, par import, par interface applicative ou depuis votre système documentaire. Le pré-traitement comprend le redressement des images et la reconnaissance optique.
Le type de document, son format et sa langue sont ensuite identifiés par nos chaînes, sans tri préalable de votre part. Cette classification détermine le processus dans lequel le document s’engage et les champs qui y seront recherchés : elle est donc traitée comme une étape à part entière, et non comme un préalable technique. Lorsqu’elle n’est pas certaine, le document est signalé et soumis à la levée de doute, au même titre qu’un champ incertain — il ne s’engage pas dans un processus par défaut.
Pour les fonds papier volumineux, l’atelier de numérisation industrielle de Numen prépare les images en amont. La qualité de cette capture conditionne l’ensemble de la suite.
Extraction et structuration
Trois familles de technologies interviennent selon le document : la reconnaissance de caractères convertit l’image en texte, l’analyse de la mise en page traite les tableaux, les zones et les signatures, l’analyse du langage identifie le sens de chaque zone. Le text-mining et le data-mining permettent d’atteindre les informations non structurées.
À titre d’illustration : sur une facture sont isolés le numéro, les montants, les coordonnées bancaires du fournisseur, la date d’échéance et les lignes de détail ; sur un contrat, les parties, la durée, le signataire et les clauses à suivre ; sur un courrier, l’émetteur, la référence, le motif et le degré d’urgence. La liste effective des champs est établie avec vous, document par document, et n’est bornée que par ce qui figure dans le document.
Chaque valeur est ensuite normalisée au format attendu par votre application, puis vérifiée par des règles de cohérence.
Contrôle des cas incertains, puis injection
Chaque champ extrait est assorti d’une mesure de fiabilité. Au-dessus du seuil que vous définissez, la donnée est livrée sans intervention. En deçà, elle est isolée et présentée dans une interface de contrôle conçue pour l’utilisateur métier, accompagnée du document d’origine.
Cette levée de doute peut être opérée par vos équipes, lorsque vous souhaitez conserver la maîtrise de la donnée sensible, ou par les équipes de Numen dans le cadre d’une prestation. Il s’agit d’un choix d’organisation, non d’une contrainte technique.
La livraison s’effectue vers votre ERP, votre CRM, votre système documentaire, un fichier structuré ou par interface applicative. Chaque traitement laisse un journal comportant le document source, les champs extraits, la mesure de fiabilité, la correction éventuelle et l’opérateur concerné. Les versions successives des modèles sont conservées, ce qui permet d’expliquer un résultat produit plusieurs années auparavant.
Pour situer l’extraction dans une démarche d’automatisation documentaire complète, découvrez notre expertise en traitement intelligent de documents.
Ce que nous avons observé sur des cas réels
Numen ne publie pas de moyennes de marché : elles n’apportent aucune indication sur vos propres documents. Les constats ci-dessous proviennent de traitements réels en production et de tests réels.
Volume massif, champs nombreux, images de qualité inégale
Deux millions de liasses par an · quarante millions de pages · jusqu’à sept cents champs par dossier
Depuis 2016, Numen extrait pour l’INPI les données des comptes annuels déposés par les entreprises françaises. Les documents arrivent dans des formats hétérogènes, parfois illisibles, flous ou mal cadrés.
Ce dispositif fonctionne depuis dix ans sans intelligence artificielle. Nous savons donc ce que nous comparons. Nous évaluons aujourd’hui ce que les modèles apportent là où les gabarits de documents s’arrêtent — une présentation qui ne suit aucun modèle, un montant masqué par un tampon. Là où un moteur fondé sur des règles s’arrête faute de repère, un modèle interprète le contexte.
Trois indicateurs mesurent cet apport : la réduction de la durée moyenne de traitement d’un dossier, la diminution de la part de dossiers renvoyés en contrôle manuel, et l’absorption des pics de dépôt sans renfort d’effectif.
Contenus hétérogènes, écriture manuscrite, objet implicite
Environ 280 000 courriers entrants par an · neuf champs extraits · quinze motifs et sous-motifs
Sur un flux mêlant manuscrits et tapuscrits, dépourvus de structure et d’objet explicite, neuf champs sont extraits et indexés par courrier, et chaque document est classé selon quinze motifs et sous-motifs.
L’enseignement que Numen retire de ces traitements est le suivant : les modèles lisent l’écriture manuscrite aussi bien que le texte saisi, et lorsque le motif de la demande n’est pas mentionné, ils l’infèrent du contenu. Cette capacité échappe aux moteurs fondés sur des règles, et constitue la démonstration la plus nette de l’apport de l’intelligence artificielle sur un flux entrant.
Dossiers incomplets à contrôler et à router
Plusieurs pièces par dossier · complétude à vérifier · orientation vers le service concerné
Sur des flux de dossiers constitués de plusieurs pièces, souvent incomplets, chaque pièce est classée, les données d’identification sont extraites, la complétude du dossier est vérifiée et celui-ci est orienté vers le service concerné. L’intelligence artificielle y apporte davantage que la lecture d’un champ : elle compare les pièces entre elles et signale ce qui manque.
Vos documents ne correspondent à aucun de ces cas de figure ?
C’est la situation la plus fréquente.
Communiquez-nous un échantillon représentatif :
Numen évalue ce qui est extractible, avec quelle technologie et à quel niveau de fiabilité mesuré.
Où et comment vos documents sont traités
Les traitements sont opérés depuis l’infrastructure de Numen, en France. Le périmètre dans lequel vos documents circulent, ainsi que les modèles mobilisés, sont décrits au contrat.
Consultez nos pages Normes et certifications et Sécurité et conformité numérique.
Politique de sécurité informatique
Élaborée selon les recommandations de l’ANSSI, elle repose sur l’intégrité, la disponibilité, la confidentialité et la traçabilité. Numen est certifié ISO 27001.
Ce que nous ne faisons pas
Une intelligence artificielle qui mesure sa propre fiabilité doit également être en mesure d’énoncer ses limites.
Aucun taux de précision n’est annoncé avant l’analyse de votre fonds documentaire.
La performance dépend de la qualité de la numérisation, de la régularité de la mise en page et du nombre de champs à extraire. Elle est mesurée lors du calibrage et restituée champ par champ.
L’intelligence artificielle n’est pas mobilisée lorsqu’une technologie plus simple produit un résultat équivalent pour un coût inférieur.
Le contrôle humain n’est pas supprimé.
Il est ciblé sur les cas signalés, plutôt que d’être appliqué à l’ensemble du flux.
Certains documents demeurent difficiles à traiter : manuscrits très dégradés, écritures anciennes, pièces illisibles ou absentes. Dans ces situations, le doute est signalé plutôt qu’une donnée erronée livrée. Une donnée fausse non identifiée coûte davantage qu’une donnée signalée comme incertaine.
L’intelligence artificielle élargit le périmètre traité, elle ne relâche pas le contrôle.
Chaque donnée qu’un modèle produit reste soumise aux règles métier qui valident déjà l’extraction automatique.
Cette exigence prolonge la méthodologie appliquée à l’ensemble des projets Numen : analyse de la particularité du fonds documentaire et de l’exploitation cible, préconisations de traitement, preuve de concept, construction itérative et engagement de résultats sur la qualité des données livrées.
S'interfacer avec vos systèmes et vos autres briques
L’extraction de données s’active seule ou en complément d’autres briques du dispositif documentaire. Une interface applicative ouverte et des connecteurs vers les principaux ERP et CRM alimentent vos applications sans refonte de votre système d’information.
EN AMONT
Pour les fonds papier, préparés par nos ateliers avant extraction.
EN AVAL · GRANDS COMPTES ET GRANDES ENTREPRISES
SmartGED
Pour classer, conserver et exploiter les documents dont les données ont été extraites.
EN AVAL · ETI ET PME
Doxtreem
La solution de gestion électronique de documents adaptée à ce segment.
POUR ALLER PLUS LOIN
Pour interroger le fonds documentaire en langage naturel une fois les données qualifiées.
Ce que les équipes projet nous demandent
Quels formats et quelles langues sont traités ?
Les PDF natifs et les images, les documents numérisés, les fichiers bureautiques, les messages électroniques et leurs pièces jointes. Numen traite également les documents multilingues, ainsi que les manuscrits et les écritures anciennes, avec un niveau de performance dépendant de leur état et mesuré lors du calibrage.
Faut-il annoter des documents ou entraîner un modèle avant de démarrer ?
Aucune campagne d’annotation n’est à votre charge. Le calibrage s’effectue sur un échantillon de vos documents réels : les consignes métier, les règles de contrôle et les seuils sont établis puis ajustés au vu des résultats, par les équipes de Numen.
Qui contrôle les données signalées comme incertaines ?
Vos équipes, dans une interface de contrôle conçue pour l’utilisateur métier, ou celles de Numen dans le cadre d’une prestation. Ce choix peut également varier selon la famille de documents.
Que contient le rapport de calibration ?
La performance mesurée par type de document et par champ, la part des cas soumis au contrôle, la nature des erreurs constatées et une projection de consommation. Ce document sert de base à l’engagement contractuel.
Combien de temps prend un démarrage ?
Plusieurs semaines pour une famille de documents aux formats connus. Plusieurs mois lorsque le périmètre couvre de nombreux types de documents et plusieurs intégrations applicatives. Chaque étape est cadrée, de la preuve de concept à la mise en production.
Peut-on commencer par un seul type de document ?
Oui, et c’est la démarche que Numen recommande. Une famille de documents calibrée et mise en production constitue une référence pour les suivantes.
Échangeons sur votre projet d'extraction de données
Un rapport de performance établi sur vos documents réels apporte davantage qu’un taux de précision annoncé. Communiquez-nous un échantillon : Numen vous restitue une mesure par type de document et par champ, une estimation de la part de contrôle humain et une projection de consommation.